Feb, 2024

一种结合变分自编码器和 Transformer 的新型分子生成模型

PDF
TL;DR这项研究提出了通过结构和参数优化将 Transformer 和 VAE 两种模型相结合的方法，以处理多样化的分子。该模型在生成分子方面表现出与现有模型相当的性能，并且在生成未见结构的分子方面表现出远超卓越的性能。此研究通过 VAE 的潜在表示成功预测了分子性质。消融研究表明 VAE 在生成新型分子方面具有优势，分子可以用比现有描述符和模型小得多的～32 个维度变量进行描述。该研究有望提供一个包含各种化合物的虚拟化学库，以进行虚拟筛选并实现高效筛选。
发现论文，激发创造
  • 生成分子图的图形 VAE 和图形 Transformer 方法

    本论文提出了一种结合了变分自动编码器和基于变压器模型的图卷积和图池化层的方法，直接对图进行操作，能够生成具有可解释特性的潜空间和有效生成分子的模型。

    Apr, 2021

  • NeVAE：分子图形的深度生成模型

    本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器，并发展了一个梯度优化算法用于优化其生成分子的能力，实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。

    Feb, 2018

  • 利用多阶段 VAE 对分子特性进行客观性不明的增强

    将多阶段 VAE 方法应用于药物发现领域，改善低维流形恢复，提高生成分子的性质统计性能，不需要纳入性质预测器到训练流程中。

    Aug, 2023

  • 基於深度生成模型的條件分子設計

    本文提出了一种半监督变分自编码器模型，能够同时进行属性预测和分子生成，从而高效生成具有所需属性的新分子。我们从估计好的生成分布中进行采样以生成新的分子，并在药物样分子上证明了该模型的有效性、改进了属性预测的性能，并高效生成满足各种目标条件的新型分子。

    Apr, 2018

  • 基于 Transformer 的强化学习的分子全新设计

    我们介绍了一种用于分子全新设计的 Transformer 基准生成模型的微调方法，利用 Transformer 相比循环神经网络 (RNNs) 的优越序列学习能力，我们的模型可以有效地生成具有期望属性的分子结构。与传统的基于 RNN 的模型相比，我们提出的方法在生成被预测为对多种生物目标活性化合物方面表现出优秀性能，捕捉分子结构序列中的长期依赖关系。通过生成查询结构的类似物和产生具有特定属性的化合物等多项任务的验证，我们的方法在性能上优于基准的基于 RNN 的方法。我们的方法可用于脱轴融合 (scaffold hopping)，从单个分子开始的库扩展，以及生成对生物目标具有高预测活性的化合物。

    Oct, 2023

  • 基于条件变分自编码器的分子生成模型，用于新型分子设计

    提出了一种基于条件变分自编码器的分子生成模型，可以控制多个分子属性，生成具有五个目标属性的类药物分子，可以单独调整一个属性，将其操作超出数据集范围。

    Jun, 2018

  • 使用 trVAE 的无配对数据条件外样本生成

    本研究通过使用最大平均离差（MMD）来匹配不同条件下的生成模型的分布，从而对条件变分自编码器（CVAE）进行改进，提出了 Transformer VAE（trVAE）的架构，并在高维图像和表格数据上展示了比现有方法更高的鲁棒性和准确性。

    Oct, 2019

  • Dr.VAE: 药物反应变分自编码器

    该研究基于变分自动编码器提出了两种深度生成模型，学习基因状态的潜在表示，以提高药物响应预测的准确性。结果表明，该模型可在 AUROC 和 AUPR 方面超过先前发表的研究，同时发现更好的重构准确性并不一定导致分类准确性的提高，联合训练模型表现更好。

    Jun, 2017

  • 联合变压器的全新药物设计

    通过使用共享权重的联合生成模型，该研究提出了一种联合 Transformer，通过训练模型生成具有突破性目标性能的新分子，从而在新分子预测和生成上取得了优于现有方法的表现。

    Oct, 2023

  • 多解码器 VAE 生成基于字符串的分子

    本文提出使用多个解码器共享单个编码器的整合技术来改进变分自动编码器在字符串基分子生成任务中的性能，利用两个主要技术：（a）对每个解码器采样不同的潜在变量以鼓励多样性，（b）使用协同损失来控制使用不同潜在变量的解码器的聚合质量。在实验中，该方法效果显著，特别是在生成来自域外分布的样本时。

    Aug, 2022